保持聚类结构的属性网络表示学习.PDFVIP

37 6 Vol. 37 No. 6 第 卷第 期 计算机应用研究 录用定稿 Application Research of Computers Accepted Paper 保持聚类结构的属性网络表示学习 * a a a b† 张 静 ，柴变芳 ，张 璞 ，李文斌 (河北地质大学 a.信息工程学院; b .教务处, 石家庄 050031) 摘 要：在线社交平台产生大量可建模为属性网络的数据，SNE(social network embedding)表示学习模型可学到 属性网络的潜在低维表示，为进一步的实际应用提供有效特征。但是SNE 未考虑保持网络的潜在聚类结构，导 致学到的特征对聚类效果不佳。提出了一种保持聚类结构的属性网络表示学习模型(attributed network embedding with self cluster ，ANESC) ，其使用前馈神经网络建模，以属性网络节点的one-hot 表示和属性信息作为输入， 经过多隐层学习节点的低维表示，使其在输出层保持节点的邻居拓扑结构和潜在聚类结构。在五个真实属性网 络上的实验结果表明，相比SNE，ANESC 学到的表示在聚类任务上NMI 值提高5%~11%，在分类任务上准确 率提高0.3%~7% 。 关键词：网络表示学习；属性网络；前馈神经网络 中图分类号：TP181 doi: 10.19734/j.issn.1001-3695.2018.12.0879 Clustering-preserving representation learning on attributed network a a a b† Zhang Jing , Chai Bianfang , Zhang Pu , Li Wenbin (a. School of Information Engineering , b. Academic Affairs Office, Hebei Geo University, Shijiazhuang 050031, China) Abstract: The online social platform generates a lot of data that can be modeled as attributed network . The representation learning model of SNE(Social Network Embedding) can learn the potential low-dimensional representation of the attributed network, which provides effective features for further practical applications . However, SNE does not consider preserving the potential clustering structure of the network, which results in bad clustering effect. This paper pr